- 误差校正码信念传播译码的因子图优化
使用数据驱动方法,通过利用因子图(也称为 Tanner 图)上的学习,在信道噪声模拟下开发满足现代短码长度约束并适应新的信道模型的局部最优稀疏码,以提高信念传播解码的性能。该方法通过使用信念传播算法的新型张量表示,在有限域上利用反向传播和高 - 循环置信传播用于近似概率推断
Circular Belief Propagation (CBP) 是 Belief Propagation (BP) 的扩展,通过学习检测和取消虚假相关性和置信度放大来限制循环引起的消息回声的负面影响,实验结果表明 CBP 在二进制概率图 - 基于置信传播的顺序蒙特卡洛自动瑞奥 - 布莱克韦利化
本文提出了一种混合推断算法,能够在可能的情况下使用置信传播计算封闭解,在出现精确计算失败时使用基于采样的顺序蒙特卡洛方法,该算法实现了自动的 Rao-Blackwellization,对于高斯树模型甚至可以实现精确推理。
- 用高斯置信传播在深度因子图中学习
我们提出了一种在高斯因子图中进行学习的方法,将所有相关的量(输入、输出、参数、潜变量)都视为随机变量,并将训练和预测视为具有不同观察节点的推理问题。我们的实验结果表明,这些问题可以通过信念传播(BP)进行高效求解,其更新在本质上是局部的,为 - 通过信念传播引导超级学习者的标签比例学习
通过学习标签比例 (LLP),我们提出了一种新的算法框架,其中迭代地执行伪标签和嵌入改进两个主要步骤,利用 Gibbs 分布和 Belief Propagation,在不牺牲计算效率的情况下,取得了标签比例学习问题上的显著改进。
- 基于集合类型置信传播的应用于地图绘制、多目标跟踪、同步定位与制图和分布式任务分配
本文开发了用于集合类型随机变量的信念传播规则,并提出了存在随机元素和基数的集变量节点的因子图,将该方法应用于同时定位和地图制图中,并证明了提出的方法相较于标准的信念传播方法在性能上有更好的表现。
- NSNet: 一个通用的神经概率框架用于可满足性问题
介绍了一种名为 NSNet 的神经网络模型,通过使用一种新型的图神经网络 (GNN) 在潜在空间中对 BP 进行参数化,可以灵活配置以解决 SAT 和 #SAT 问题。
- 信念传播算法推广了反向传播算法
本文探讨了人工智能中最重要的两个算法:反向传播 (backpropagation) 和置信传播 (belief propagation),并发现了置信传播是反向传播的一种推广形式,这是一项理论贡献,对于工程研究人员改善使用其中一个算法的系统 - 深度关注信念传播:融合推理与学习以解决约束优化问题
通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中,我们提出了一种名为 DABP 的深度注意力置信传播模型,它可以推断得到优化后的权重和阻尼因子,通过无需昂贵的训练标签,可有效避免常见的分布问 - 理解信念传播的行为
本文研究概率图模型中置信传播算法的性能,特别关注模型参数对固定点数、收敛性和逼近质量的影响。
- 使用信念传播对群体目标和非群组目标实现无缝跟踪
该论文研究了大规模组目标跟踪问题,提出了一种基于置信传播(BP)框架的可扩展组目标置信传播(GTBP)方法,将目标存在变量、组结构、数据关联和目标状态联合推断计算,具有良好的可扩展性和低计算复杂度。
- 短块码在衰落信道下神经增强的最小和译码
本文介绍在研究和优化 Belief Propagation 解码器的过程中,通过研究非 AWGN 通道和权重纠缠的作用,来提高最小和版本的解码器的性能,并对所学习的权重及其对潜在代码结构的影响进行解释。最后,我们运用软件定义的无线电进行算法 - ACL自动填字游戏求解
本文提出了伯克利填字游戏求解器,该系统使用神经问答模型生成填字谜面的答案候选,并将循环置信传播与本地搜索相结合,以找到完整的谜底解。与现有方法相比,我们的系统使得填字准确率从 71% 提高到 82%。此外,我们还分析了系统的剩余错误并发布了 - 命题模型计数的图神经网络
本研究将自我注意的图神经网络应用于基于 BP 的计数问题,成功地在产生概率接近于技术先进的问题解决器的解的同时,保证了模型性能的扩展性。
- 基于神经网络的 LDPC 解码器训练配方
本论文提出了一种新的方法,利用深度学习框架确定传递消息的不同边的可训练参数,重点是减少可训练参数的数量并强调其位置。经过广泛的模拟实验,论文表明这种方法可以提供高质量的训练数据,并展示了训练损失和解码指标之间的强正关系。
- 分解空间中的随机规划近似推断
该论文将随机规划分解成两个维度:正向和反向推断以及置信传播法和均值场变分推断等不同方法,进而提出折叠状态变分推断 (CSVI) 算法,并通过实验比较发现其与正向置信传播法是最佳的随机规划方法之一。
- 供应网络的信念传播:因子图的高效聚类
本文提出了一种系统性的方式来对 naively 分配的因子图进行循环聚类,从而消除短路的影响,以提高 BP 算法在供应网络中的性能表现,实现了对供应网络中状态估计和优化问题的快速、可靠计算。
- 用因果边际多面体界定治疗效应
本文提出了一种基于置信传播的方法,通过在满足证据的所有因果模型中搜索来推导一个目标因果量的上下界,同时确保因果模型的边缘与数据相容,而不必构建一个全局因果模型,从而提出一种新的局部一致边缘的集合,称为因果边缘多面体。
- CVPR置信度传播聚类:释放目标检测器的全部潜力
本文提出了一种基于置信传播聚类(CP-Cluster)的物体检测方法,它采用了置信度信息的信息传递机制,能够同时去除冗余的检测框并增强真正的正类检测框。与传统的基于 NMS 的方法相比,在不重新训练检测器的情况下,我们的方法能够显著提高各种 - ICML大规模 MIMO 检测的图神经网络
本文使用图神经网络(GNNs)学习图模型和马尔可夫链的随机场(MRF)来解决无线通信中的大规模 MIMO 检测问题,实验表现出比基于置信传播(BP)的 MMSE(minimum mean-squared error)基准检测器更好的性能。